一種新的自動化技術利用深度學習已被開發出來，用於估計腎臟疾病中的足細胞足突寬度（FPW）。這個模型能夠準確地測量電子顯微鏡圖像中的FPW，並已在各種患者群體中進行驗證。這種方法比傳統技術更快速、更易取得，使其成為研究和臨床應用中的寶貴工具。 PubMed DOI

利用機器學習演算法分析CKD患者的腎臟纖維化程度，XGBoost模型表現優異，AUC達0.97。SHAP方法有助於解釋模型輸出，顯示腎小球過濾率對預測影響最大。這有助於臨床醫生制定CKD患者的治療策略。 PubMed DOI

這項研究使用卷積神經網絡來自動分割移植活檢中的腎小球細胞和毛細血管，以評估它們與移植功能的相關性。結果顯示某些細胞密度與腎功能參數之間存在關聯。將這些細胞進行自動分割可能成為未來移植器官失敗風險的潛在標誌。 PubMed DOI

研究提出了一個方法論框架，用於分析實驗性腎炎中的3D影像數據，揭示了蛋白尿和免疫細胞浸潤之間的相關性。研究結果顯示，相鄰腎小球的空間密度可能影響腎臟活檢中觀察到的腎小球損傷嚴重程度。算法流程可適應不同器官和影像模式的參數分析。 PubMed DOI

這項研究評估了四種深度學習分類演算法——決策樹、隨機森林、支持向量機和極端梯度提升（Xgboost），用於500名原發性腎小球疾病患者的原發性膜性腎病（PMN）鑑別診斷。結果顯示，322名患者為PMN，178名為非PMN。Xgboost模型表現最佳，對PMN的敏感度達92%，特異度達96%。因此，這項研究成功建立了PMN的鑑別診斷模型，Xgboost是臨床上最有效的選擇。 PubMed DOI

「Galileo」AI工具的開發目的是幫助病理學家解讀腎臟活檢，因為專家人數有限。一項多中心研究收集了腎臟活檢的影像，並訓練深度學習演算法來識別重要的病理特徵。該模型在訓練集上達到高精確度（81.96%）和靈敏度（94.39%），雖然驗證集的結果稍低，但仍然令人鼓舞。這個AI工具能將解讀時間縮短至2分鐘，相較於人類病理學家的22至31分鐘，顯著提高效率，可能改善腎臟移植的存活率。 PubMed DOI

深度學習在數位腎臟病理學中展現出潛力，但缺乏標註良好的數據集限制了其發展。本研究使用無標籤自我蒸餾（DINO）方法，分析了384個PAS染色腎臟活檢切片的10,423張腎小球圖像。DINO模型的ROC-AUC達到0.93，優於ImageNet的0.89，且在標註數據稀缺時，DINO模型仍保持在0.88，顯示出更高的穩定性和準確性。這表明DINO在無標註的腎小球圖像中有效提取組織學特徵，對疾病分類有重要貢獻。 PubMed DOI

這項研究探討了利用深度學習技術預測狼瘡性腎炎的治療反應，透過分析腎臟活檢切片進行。研究對象為接受環磷酰胺或美克洛寧的患者，主要結果為12個月內的完全反應，依據尿蛋白水平和腎小球過濾率定義。研究涵蓋245名患者的模型開發和71名患者的外部測試，使用多種染色方法。深度學習模型在不同染色切片上訓練，顯示良好預測性能，並強調某些特徵為重要預測因子。結論認為深度學習能有效預測治療反應，但需進一步驗證。 PubMed DOI

這項研究開發了一個深度學習模型，旨在根據Berden分類法對抗中性粒細胞自體抗體（ANCA）相關腎小管腎炎的腎小管病變進行分類。模型訓練基於80名患者的腎臟活檢切片，達到93%的高預測準確率。研究中使用可解釋的人工智慧技術（如Grad-CAM）來增強模型的透明度，並讓病理學家分析熱圖，確認模型與他們的判斷一致。這項研究展示了深度學習與可解釋性技術結合的潛力，能提升診斷準確性並提供推理見解。 PubMed DOI

深度學習在數位腎臟病理學中展現潛力，但需依賴標註良好的數據集，這類數據集通常稀缺。為了解決這個問題，我們採用了自我蒸餾無標籤學習（DINO）的方法，分析了384個腎臟活檢切片中的10,423張腎小球影像。透過主成分分析（PCA），我們可視化了DINO模型提取的特徵，並進行分類任務。結果顯示，DINO模型在疾病分類上達到0.93的ROC-AUC，優於ImageNet模型，特別是在標註數據有限的情況下，DINO模型的表現更為穩定。這證實了DINO在無標註影像中有效提取組織學特徵的潛力。 PubMed DOI